Perché il futuro dell’intelligenza artificiale nell’ibrido?

Nelle ultime settimane, la raffica di nuovi prodotti e funzionalità di intelligenza artificiale generativa – da ChatGPT a Bard e numerose varianti di altri costruiti attorno a modelli linguistici di grandi dimensioni (LLM) – ha creato un ciclo di hype eccessivo. Tuttavia, molti sostengono che questi modelli generalizzati non siano adatti all’uso aziendale. La maggior parte dei motori di intelligenza artificiale mostrano segni di difficoltà quando vengono assegnati compiti di nicchia o specifici del dominio. L’intelligenza artificiale ibrida potrebbe essere la risposta?

Cosa intendiamo per intelligenza artificiale ibrida (AI ibrida)

L'intelligenza artificiale ibrida è l'espansione o il miglioramento dei modelli di intelligenza artificiale che utilizzano l'apprendimento automatico, l'apprendimento profondo e le reti neurali insieme alle competenze umane in materia per sviluppare modelli di intelligenza artificiale specifici per caso d'uso con la massima precisione o potenziale di previsione.

L’ascesa dell’intelligenza artificiale ibrida affronta molte preoccupazioni significative e legittime. In numerosi scenari o ambiti sono necessari più che semplici modelli di intelligenza artificiale basati su set di dati di grandi dimensioni per ottenere il massimo vantaggio o la creazione di valore effettivo. Ad esempio, considera che a ChatGPT venga chiesto di scrivere un rapporto economico lungo e dettagliato.

Adottare o migliorare il modello con conoscenze specifiche del dominio può essere il modo più efficace per raggiungere un'elevata probabilità di previsione. Per raggiungere questo obiettivo, l’intelligenza artificiale ibrida combina gli aspetti migliori delle reti neurali (modelli e formatori di connessioni) e dell’intelligenza artificiale simbolica (derivatori di fatti e dati).

IA simbolica: una parte fondamentale dell'IA ibrida

Gli LLM di oggi presentano diversi difetti, tra cui prestazioni inadeguate nei compiti matematici, una propensione a inventare dati e un'incapacità di articolare il modo in cui il modello produce risultati. Tutti questi problemi sono tipici delle reti neurali “connessioniste”, che dipendono dalle nozioni su come funziona il cervello umano.

Questi problemi sono tipici delle reti neurali “connessioniste”, che dipendono dalle nozioni di funzionamento del cervello umano.

L’IA classica viene anche chiamata AI simbolica. Tenta di esprimere chiaramente la conoscenza umana in una forma dichiarativa, come regole e fatti interpretati da input “simboli”. È un ramo dell'intelligenza artificiale che tenta di collegare fatti ed eventi utilizzando regole logiche.

Dalla metà degli anni Cinquanta alla fine degli anni Ottanta, lo studio dell’IA simbolica ha conosciuto una notevole attività.

Negli anni ’60 e ’70, i progressi tecnologici hanno ispirato i ricercatori a indagare il rapporto tra le macchine e la natura. Credevano che le tecniche simboliche alla fine avrebbero dato vita a una macchina intelligente, che era vista come l'obiettivo a lungo termine della loro disciplina.

In questo contesto, John Haugeland ha coniato la “buona intelligenza artificiale vecchio stile” o “GOFAI” nel suo libro del 1985 Artificial Intelligence: The Very Idea.

Il metodo GOFAI è più adatto per problemi inerti ed è lungi dall'essere una corrispondenza naturale per problemi dinamici in tempo reale. Favorisce una definizione ristretta dell’intelletto come ragionamento astratto, mentre le reti neurali artificiali danno priorità al riconoscimento dei modelli. Di conseguenza, recentemente ha acquisito importanza quest’ultimo metodo “connessionista” o non simbolico.

Come funziona l'intelligenza artificiale non simbolica?

La genesi dell’intelligenza artificiale non simbolica è il tentativo di simulare il cervello umano e la sua elaborata rete di connessioni neurali.

Per scoprire soluzioni ai problemi, i sistemi di intelligenza artificiale non simbolica si astengono dal manipolare una rappresentazione simbolica. Conducono invece calcoli basati su principi che hanno dimostrato empiricamente di risolvere problemi senza prima capire esattamente come arrivare a una soluzione.

Le reti neurali e il deep learning sono due esempi di IA non simbolica. L'intelligenza artificiale non simbolica è anche conosciuta come "AI connessionista": diverse app di intelligenza artificiale odierne si basano su questa metodologia, incluso il motore di transizione automatizzata di Google (che cerca modelli) e il programma di riconoscimento facciale di Facebook.

Entra nell'IA ibrida

Nel contesto dell’intelligenza artificiale ibrida, l’IA simbolica funge da “fornitore” dell’IA non simbolica, che gestisce il compito vero e proprio. L’intelligenza artificiale simbolica offre dati di addestramento pertinenti da questo punto di vista all’intelligenza artificiale non simbolica. A loro volta, le informazioni trasmesse dall’intelligenza artificiale simbolica sono alimentate da esseri umani, vale a dire veterani del settore, esperti in materia, lavoratori qualificati e coloro che possiedono conoscenze tribali non codificate.

Le ricerche sul Web sono un uso popolare dell’intelligenza artificiale ibrida. Se un utente inserisce "1 GBP in USD", il motore di ricerca rileva un problema di conversione della valuta (AI simbolica). Utilizza un widget per eseguire la conversione prima di utilizzare l'apprendimento automatico per recuperare, posizionare e mostrare risultati web (AI non simbolica). Questo è un esempio fondamentale, ma illustra come funzionerebbe l’intelligenza artificiale ibrida se applicata a problemi più complessi.

Secondo David Cox, direttore del Watson AI Lab del MIT-IBM, l’apprendimento profondo e le reti neurali prosperano nel “disordine del mondo”, mentre l’intelligenza artificiale simbolica no. Come accennato in precedenza, tuttavia, sia le reti neurali che il deep learning presentano dei limiti. Inoltre, sono suscettibili a istanze ostili, denominate dati contraddittori, che possono influenzare il comportamento di un modello di intelligenza artificiale in modi imprevedibili e possibilmente dannosi.

Tuttavia, se combinate, l’intelligenza artificiale simbolica e le reti neurali possono costituire una solida base per lo sviluppo dell’intelligenza artificiale aziendale.

Perché utilizzare l’intelligenza artificiale ibrida negli ambienti aziendali?

I problemi aziendali con dati insufficienti per addestrare una rete neurale estesa o in cui l'apprendimento automatico standard non è in grado di gestire tutti i casi estremi sono i candidati perfetti per l'implementazione dell'intelligenza artificiale ibrida. Quando una soluzione di rete neurale potrebbe causare discriminazione, mancanza di piena divulgazione o preoccupazioni legate all’overfitting, l’intelligenza artificiale ibrida può essere utile (ovvero, formazione su così tanti dati che l’intelligenza artificiale ha difficoltà negli scenari del mondo reale).

Un primo esempio è un’iniziativa di intelligenza artificiale di Fast Data Science, una società di consulenza sull’intelligenza artificiale. L’obiettivo è valutare i potenziali rischi di una sperimentazione clinica.

L'utente invia alla piattaforma un documento PDF che dettaglia il piano per la conduzione di una sperimentazione clinica. Un modello di apprendimento automatico può identificare caratteristiche vitali della sperimentazione come posizione, durata, numero di soggetti e variabili statistiche. L'output del modello di machine learning verrà incorporato in un modello di rischio creato manualmente. Questo modello simbolico converte questi parametri in un valore di rischio, che poi appare come un semaforo che segnala all'utente un rischio alto, medio o basso.

L’intelligenza umana è essenziale per specificare una regola ragionevole e logica per convertire i dati del protocollo in un valore di rischio.

Un secondo esempio è il motore di ricerca di Google. Si tratta di un sistema di intelligenza artificiale sofisticato e onnicomprensivo composto da strumenti rivoluzionari di deep learning come trasformatori e meccanismi di manipolazione dei simboli come il grafico della conoscenza.

Quali sono le sfide?

Nessuna tecnica o combinazione di tecniche risolve tutti i problemi allo stesso modo; pertanto, è necessario comprenderne le capacità e i limiti. L’intelligenza artificiale ibrida non è una bacchetta magica e sia l’intelligenza artificiale simbolica che quella non simbolica continueranno a essere tecnologie potenti di per sé. Un altro ostacolo è il fatto che la comprensione degli esperti e il contesto della vita quotidiana siano raramente leggibili dalle macchine. La codifica delle competenze umane nei set di dati di addestramento dell’IA presenta un altro problema.

La maggior parte delle organizzazioni non riesce a riconoscere pienamente le barriere cognitive, computazionali, relative alla produzione di carbonio e finanziarie che derivano dal collocare il complesso miscuglio dei nostri mondi vissuti in un contesto che l’intelligenza artificiale può comprendere. Pertanto, i tempi per un’implementazione significativa dell’IA potrebbero richiedere molto più tempo del previsto.

La strada davanti

Le iniziative legate all’intelligenza artificiale sono notoriamente problematiche; solo 1 pilota e prototipo su 10 porta a risultati significativi nella produzione.

Le aziende progressiste sono già consapevoli dei limiti dei modelli di intelligenza artificiale monomodale. Sono profondamente consapevoli della necessità che la tecnologia sia versatile, capace di scavare più a fondo nei dati archiviati, meno costosa e molto più facile da usare.

L’intelligenza artificiale ibrida fornisce soluzioni ad alcuni di questi problemi, anche se non a tutti. Poiché integra AI simbolica e ML, può sfruttare in modo efficiente i vantaggi di ciascun approccio pur rimanendo spiegabile, il che è vitale per settori come la finanza e la sanità.

Il machine learning può concentrarsi su elementi specifici di un problema in cui la spiegabilità non ha importanza, mentre l’intelligenza artificiale simbolica arriverà alle decisioni utilizzando un percorso trasparente e facilmente comprensibile. L’approccio ibrido all’intelligenza artificiale diventerà sempre più diffuso con il passare degli anni.